编写一个Python程序，使用最小二乘法实现线性回归。程序将接受一系列数据点(xi, yi)作为输入，计算最佳拟合线的斜率和截距，并打印直线方程。你可以假设斜率总是定义良好的，即分母非零。

当然可以。下面是一个简单的Python程序，使用numpy库来实现最小二乘法的线性回归：

import numpy as np

def linear_regression(points):
    # 数据点列表应该包含(x, y)对，例如 [(x1, y1), (x2, y2), ...]
    x = [p[0] for p in points]
    y = [p[1] for p in points]

    # 计算均值
    mean_x = np.mean(x)
    mean_y = np.mean(y)

    # 计算斜率（b）和截距（a）
    numerator = np.sum((x - mean_x) * (y - mean_y))
    denominator = np.sum((x - mean_x)**2)
    
    slope = numerator / denominator
    intercept = mean_y - slope * mean_x

    # 打印直线方程
    print(f"直线方程为: y = {slope:.2f}x + {intercept:.2f}")

# 示例用法
points = [(1, 2), (2, 4), (3, 6), (4, 8)]  # 输入四个数据点
linear_regression(points)

在这个程序中，我们首先从输入的数据点中提取出x和y的值，然后分别计算它们的平均值。接着计算斜率和截距，最后按照公式`y = mx + b`打印出直线方程。